Skip to content

README.de.md

Latest commit

 

History

History
248 lines (184 loc) · 8.87 KB

README.de.md

File metadata and controls

248 lines (184 loc) · 8.87 KB
simplemem_logo

Effizientes Lebenslang-Gedächtnis für LLM-Agenten

Speichern, komprimieren und abrufen von Langzeitgedächtnis durch semantische verlustfreie Kompression. Kompatibel mit Claude, Cursor, LM Studio und mehr.

Funktioniert mit jeder KI-Plattform, die MCP oder Python-Integration unterstützt

Claude Desktop
Claude Desktop 		Cursor
Cursor 		LM Studio
LM Studio 		Cherry Studio
Cherry Studio 		PyPI
PyPI-Paket 		+ Jeder MCP-
Client

🔥 Neuigkeiten

  • [02/09/2026] 🚀 Cross-Session Memory ist da - 64% besser als Claude-Mem! SimpleMem unterstützt jetzt persistenten Speicher über Gespräche hinweg. Im LoCoMo-Benchmark erreicht SimpleMem eine 64% Leistungssteigerung gegenüber Claude-Mem. Ihre Agenten können nun automatisch Kontext, Entscheidungen und Erkenntnisse aus vorherigen Sitzungen abrufen. Cross-Session Dokumentation →
  • [01/20/2026] SimpleMem ist jetzt auf PyPI verfügbar! 📦 Installieren Sie direkt mit pip install simplemem. Paket-Nutzungsanleitung →
  • [01/18/2026] SimpleMem unterstützt jetzt Claude Skills! 🚀
  • [01/14/2026] SimpleMem MCP-Server ist LIVE und Open Source! 🎉 Cloud-Gedächtnisdienst unter mcp.simplemem.cloud. MCP-Dokumentation →
  • [01/05/2026] SimpleMem-Paper wurde auf arXiv veröffentlicht!

🌟 Überblick

Leistung vs. Effizienz

SimpleMem erreicht einen überlegenen F1-Score (43.24%) bei minimalen Token-Kosten (~550).

SimpleMem ist ein effizientes Gedächtnis-Framework basierend auf semantischer verlustfreier Kompression, das die grundlegende Herausforderung des effizienten Langzeitgedächtnisses für LLM-Agenten angeht. SimpleMem maximiert Informationsdichte und Token-Nutzung durch eine dreistufige Pipeline:

🔍 Stufe 1

Semantische Strukturierte Kompression

Destilliert unstrukturierte Interaktionen in kompakte, multi-view-indexierte Gedächtniseinheiten

🗂️ Stufe 2

Online Semantische Synthese

Integriert verwandten Kontext sofort in einheitliche abstrakte Darstellungen zur Eliminierung von Redundanz

🎯 Stufe 3

Intentionsbewusste Abrufplanung

Leitet Suchintention ab, um den Abrufumfang dynamisch zu bestimmen und präzisen Kontext effizient zu konstruieren
SimpleMem Framework

🏆 Leistungsvergleich

Modell ⏱️ Aufbauzeit 🔎 Abrufzeit ⚡ Gesamtzeit 🎯 Durchschn. F1
A-Mem 5140.5s 796.7s 5937.2s 32.58%
LightMem 97.8s 577.1s 675.9s 24.63%
Mem0 1350.9s 583.4s 1934.3s 34.20%
SimpleMem ⭐ 92.6s 388.3s 480.9s 43.24%

📦 Installation

git clone https://github.com/aiming-lab/SimpleMem.git
cd SimpleMem
pip install -r requirements.txt
cp config.py.example config.py

⚡ Schnellstart

from main import SimpleMemSystem

system = SimpleMemSystem(clear_db=True)
system.add_dialogue("Alice", "Bob, let's meet at Starbucks tomorrow at 2pm", "2025-11-15T14:30:00")
system.add_dialogue("Bob", "Sure, I'll bring the market analysis report", "2025-11-15T14:31:00")
system.finalize()

answer = system.ask("When and where will Alice and Bob meet?")
print(answer)

🔌 MCP-Server

🌐 Cloud-Dienst: mcp.simplemem.cloud

{
  "mcpServers": {
    "simplemem": {
      "url": "https://mcp.simplemem.cloud/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_TOKEN"
      }
    }
  }
}

📖 MCP-Dokumentation

📊 Bewertung

python test_locomo10.py
python test_locomo10.py --num-samples 5

📝 Zitation

@article{simplemem2025,
  title={SimpleMem: Efficient Lifelong Memory for LLM Agents},
  author={Liu, Jiaqi and Su, Yaofeng and Xia, Peng and Zhou, Yiyang and Han, Siwei and  Zheng, Zeyu and Xie, Cihang and Ding, Mingyu and Yao, Huaxiu},
  journal={arXiv preprint arXiv:2601.02553},
  year={2025},
  url={https://github.com/aiming-lab/SimpleMem}
}

📄 Lizenz

Dieses Projekt steht unter der MIT-Lizenz - siehe LICENSE.

🙏 Danksagungen